論文の概要: Pose-based Neural Clothing for Animated Characters
- arxiv url: http://arxiv.org/abs/2611.18253v1
- Date: Fri, 13 Nov 2026 14:49:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.350977
- Title: Pose-based Neural Clothing for Animated Characters
- Title(参考訳): アニメーションキャラクタのためのPose-based Neural Clothing
- Abstract要約: 軽量なネットワーク設計により、データ駆動システムはリアルタイムの推論速度を達成することができる。
準静的なセットアップにおいて、モデルが1つの衣服のためにトレーニングされる生産指向の環境に焦点を当てる。
提案手法は,シャープでリアルなシワ,スムーズな大規模ドレープ,時間的コヒーレンスをリアルタイムに生成する。
- 参考スコア(独自算出の注目度): 14.094672691882039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional garment simulation for animated characters is a time-consuming bottleneck for artists due to slow simulations and tedious parameter tunings.Recent data-driven methods offer a powerful alternative, capable of learning from a dataset of simulated data to generate high-quality deformations. A lightweight network design allows data-driven systems to achieve a real-time inference speed. This significantly improves the artist workflow, as they can interactively pose a character and see high-quality folds and wrinkles at animation time, thereby allowing to make creative decisions ahead of time. However, existing neural clothing methods have presented appealing results on datasets based on realistic human models (\eg SMPL), but when trained on animated character datasets, they struggle to generalize to unseen poses. In this paper, we aim at designing neural networks and training strategies to generalize better to unseen poses in real-time to enable the interactive posing applications. We focus on a production-oriented setting where the model is trained for a single garment in a quasi-static setup. Technically, we leverage a smooth, expressive latent space by first training a Variational Auto-Encoder (VAE). We then progressively train the VAE encoder to transition from reconstruction to pose-driven prediction. To guide this prediction, we condition the network on both low-dimensional pose parameters and character body surface displacements. Finally, we introduce a novel local gradient histogram loss that mitigates the over-smoothing effect of reconstruction losses. Extensive evaluations on production-level assets and public datasets demonstrate that our method produces sharp, realistic wrinkles, smooth large-scale drape, and temporal coherence in real-time, offering a robust and easily integrable solution for interactive posing workflows.
- Abstract(参考訳): アニメーションキャラクターの伝統的な衣服シミュレーションは、遅いシミュレーションと退屈なパラメータチューニングのため、アーティストにとって時間を要するボトルネックである。最近のデータ駆動手法は、シミュレーションされたデータのデータセットから学習し、高品質な変形を生成する強力な代替手段を提供する。
軽量なネットワーク設計により、データ駆動システムはリアルタイムの推論速度を達成することができる。
これにより、キャラクターをインタラクティブにポーズさせ、アニメーション時に高品質な折りたたみやしわを見ることができるため、アーティストのワークフローが大幅に改善される。
しかし、既存のニューラルネットワーク手法では、リアルな人間モデル(\eg SMPL)に基づくデータセットに魅力的な結果が提示されている。
本稿では,対話型ポーズアプリケーションを実現するために,ニューラルネットワークとトレーニング戦略を設計し,未確認のポーズをリアルタイムに一般化することを目的とする。
準静的なセットアップにおいて、モデルが1つの衣服のためにトレーニングされる生産指向の環境に焦点を当てる。
技術的には、まず変分オートエンコーダ(VAE)を訓練することにより、滑らかで表現力のある潜在空間を活用する。
次に、VOEエンコーダを段階的にトレーニングし、再構築からポーズ駆動予測へ移行する。
この予測を導くため、低次元ポーズパラメータとキャラクタ体表面の変位の両方にネットワークを条件付ける。
最後に,新しい局所勾配ヒストグラムの損失を導入し,再建損失の過度なスムース効果を緩和する。
実運用レベルの資産と公開データセットを総合的に評価した結果,本手法はシャープでリアルなシワ,スムーズな大規模ドレープ,時間的コヒーレンスをリアルタイムで生成し,対話型ポーズワークフローのための堅牢かつ容易に統合可能なソリューションを提供する。
関連論文リスト
- DiffusionHarmonizer: Bridging Neural Reconstruction and Photorealistic Simulation with Online Diffusion Enhancer [62.18680935878919]
レンダリングを時間的に一貫した出力に変換するオンライン生成拡張フレームワークであるDiffusionHarmonizerを紹介した。
コアとなるのは、単一のGPU上でオンラインシミュレータで実行可能な、一段階の時間的条件付きエンハンサーである。
論文 参考訳(メタデータ) (2026-02-27T15:35:30Z) - DNS SLAM: Dense Neural Semantic-Informed SLAM [92.39687553022605]
DNS SLAMは、ハイブリッド表現を備えた新しいRGB-DセマンティックSLAMアプローチである。
本手法は画像に基づく特徴抽出と多視点幾何制約を統合し,外観の細部を改良する。
実験により, 合成データと実世界のデータ追跡の両面において, 最先端の性能が得られた。
論文 参考訳(メタデータ) (2023-11-30T21:34:44Z) - Robust Category-Level 3D Pose Estimation from Synthetic Data [17.247607850702558]
CADモデルから生成されたオブジェクトポーズ推定のための新しい合成データセットであるSyntheticP3Dを紹介する。
逆レンダリングによるポーズ推定を行うニューラルネットワークモデルをトレーニングするための新しいアプローチ(CC3D)を提案する。
論文 参考訳(メタデータ) (2023-05-25T14:56:03Z) - Leaving Reality to Imagination: Robust Classification via Generated
Datasets [24.411444438920988]
近年のロバスト性に関する研究では、テストセットと同様のデータセットでトレーニングされたニューラルイメージ分類器間での顕著なパフォーマンスギャップが明らかになった。
生成したデータセットは、画像分類器の自然な堅牢性にどのように影響するのか?
生成したデータで強化された実データに基づいて訓練された画像ネット分類器は、標準トレーニングよりも精度が高く、効果的に頑健であることがわかった。
論文 参考訳(メタデータ) (2023-02-05T22:49:33Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳(メタデータ) (2021-08-30T19:45:07Z) - Object-based Illumination Estimation with Rendering-aware Neural
Networks [56.01734918693844]
個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。
推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
論文 参考訳(メタデータ) (2020-08-06T08:23:19Z) - Stillleben: Realistic Scene Synthesis for Deep Learning in Robotics [33.30312206728974]
本稿では,シーン認識タスクの学習データを生成するための合成パイプラインについて述べる。
本手法は,物理シミュレーションを用いて,物体メッシュを物理的に現実的で密集したシーンに配置する。
私たちのパイプラインは、ディープニューラルネットワークのトレーニング中にオンラインで実行できます。
論文 参考訳(メタデータ) (2020-05-12T10:11:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。